Nyt AI-projekt vil bruge trivselsmålinger til at forudsige frafald på ungdomsuddannelser

frustreret elev
Illustration: Bigstock / Pang-rum.
Elever på landets ungdomsuddannelser skal profileres ud fra trivselsmålinger, børnehavedata og nationale test. Målet er at afhjælpe frafald fra uddannelserne.
12. maj kl. 16:10

»At være mand, at have et karaktergennemsnit under middel eller ingen afgangsprøve fra 9. klasse, at være vokset op hos forældre uden arbejdsmarkedstilknytning eller hos en enlig forælder, er nogle af de ting, der isoleret set forøget den enkeltes risiko for frafald med op til 70 pct.«

Sådan lyder oplægget til et netop igangsat udviklingsarbejde, hvor Kommunernes Landsforening (KL) vil bygge en machine learning model, der skal vurdere risikoen for at et ungt menneske dropper ud af sin ungdomsuddannelse.

På langt sigt er målsætningen, at de AI-generede risikovurderinger skal hjælpe medarbejderne i landets kommuner, når de vurderer unges risiko for frafald.

Det fremgår af en projektbeskrivelse, som DataTech er kommet i besiddelse af, og som har titlen ‘Modningsprojekt af AI-baseret varsling af unges risiko for frafald’.

Trivselsmålinger, børnehaveudtalelser og PPR-data

Projektet blev igangsat i efteråret 2021 og skulle efter planen have været afsluttet i april i år, men i en mail til DataTech, oplyser KL at projektet er forsinket indtil sommer grundet »bemandingsproblemer«.

Artiklen fortsætter efter annoncen

Arbejdet er en del af Kommunernes Digitaliseringsprogram, der løber fra 2021 til 2025. I spidsen for projektet står KL, der får selskab af en kommunal arbejdsgruppe, der repræsenterer kommunernes ungeindsats. 

Arbejdstesen er, ifølge projektbeskrivelsen, at »kommunerne ved brug af Machine Learning kan anvende eksisterende data til at genere en risikovurdering af den unges risiko for frafald.«

Præcis hvilke data, der er tale om, er endnu uvist, men allerede på projektbeskrivelsens første side nævnes, at eksempelvis følgende data er relevant at træne modellen på:

  • Vurdering fra sundhedsplejersken
  • Overgangsskema/ressourceprofil fra børnehaven
  • Information fra Pædagogisk Psykologisk Rådgivning (PPR)
  • Data fra nationale og lokale tests
  • Data fra trivselsundersøgelser
  • Fraværsdata mv.
Remote video URL
Projektbeskrivelse for 'Modningsprojekt Af AI-baseret Varsling Af Unges Risiko for Frafald'

En løftet pegefinger

Flere af de nævnte datakilder kan indeholde særdeles følsomme oplysninger om de unge. Det er for eksempel tilfældet med PPR-data, der kan indeholde informationer om psykisk sygdom og mistrivsel.

Artiklen fortsætter efter annoncen

Det samme kan siges om data fra trivselsmålingerne. Oprindeligt blev børn og forældre da også lovet at data fra trivselsmålingerne ville være fuldt anonymiserede, men det viste sig senere ikke at være sandt, da Politiken kunne afsløre at de unges svar bliver registeret sammen med deres cpr-nummer.

Og netop i forhold til trivselsmålingerne risikerer KL at rende ind i den udfordring, at hvis en fremtidig machine learning-model anvender den enkelte unges data fra trivselsmålingerne, så vil det bryde med undervisningsministeriets løfte om, at data kun indsamles til forskningsformål og generel statistik om børns trivsel:

»Børne- og Undervisningsministeriet behandler udelukkende de enkelte elevers svar på trivselsmålingen til videnskabeligt og statistisk brug. Ministeriet bruger derfor ikke de enkelte elevers svar til konkret sagsbehandling eller til at kontakte den enkelte elev.« skriver Børne- og Undervisningsministeriet på sin hjemmeside.

Endelig, så kan der også være tale om meget gamle data, da projektbeskrivelsen blandt andet nævner ressourceprofiler fra børnehaven og data fra sundhedsplejersken. Typisk kommer børn og deres nybagte forældre i kontakt med sundhedsplejersken allerede kort tid efter barnets fødsel.

Christine Ravn Lund, forkvinde for Dansk Ungdoms Fællesråd (DUF) hilser  KL-initiativet velkomment, men ikke uden en særdeles løftet pegefinger:

”I DUF mener vi, at man skal have et særligt fokus på beskyttelse af børn og unges data. Teknologien giver mange muligheder, men vi må værne om, at vi har ret til vores egen data og skal have indflydelse på, hvem der har adgang til den. Jeg er glad for, at KL igangsætter initiativer for at hjælpe unge i deres uddannelsesforløb, men de skal have et særligt øje for individuel sagsbehandling og datasikkerhed, hvis de går videre med projektet.”

Et ‘modningsprojekt’

KL kalder projektet for et ‘modningsprojekt’. Og i sit nuværende tidlige stadie er det heller ikke målet at udvikle selve machine learning-modellen, men snarere at »afklare behov og betingelser for en eventuel udvikling og anvendelse af Machine Learning til vurdering af unges risiko for frafald,« som det fremgår af projektbeskrivelsen. Derfor er det kortsigtede mål at færdiggøre to leverancer denne sommer.

Den ene leverance vil dels være en afdækning af, hvilke oplysninger der indgår, når unges risiko for frafald vurderes. Og dels vil leverancen komme med en vurdering af, hvordan og i hvilke situationer AI-baserede risikovurderinger kan understøtte de faglige medarbejderes arbejde.

Den anden leverance peger længere frem mod det forestående udviklingsarbejde. Her er der tale om en konkret kortlægning af de datamønstre, der måtte være i historiske data om unge og frafald. Og så skal der gives anbefalinger til hvilke yderligere data, der kan indgå i modellen. Desude nskal leverancen afklare de juridiske og etiske problemstillinger ved udviklingen og anvendelsen af data og model.

Ingen automatisering

Projektbeskrivelsen lægger op til, at at de AI-baserede risikovurderinger, skal være understøttende i arbejdet med at risikovurdere unges frafald på ungdomsuddannelserne, og dermed er der ikke lagt op til automatiseret sagsbehandling.

Præcis hvordan vurderingerne skal støtte medarbejderne er endnu ikke beskrevet, men i projektbeskrivelsen står der, at “tidligere og systematisk varsling vil antageligt understøtte, at indsatser, der har til formål at fastholde den unge i uddannelse, kan leveres på et tidligere tidspunkt.” 

Dermed er der lagt op til, at risikovurderingerne skal foretages tidligt på ungdomsuddannelserne med henblik på at igangsætte indsatser overfor unge, der på baggrund af historiske data fra blandt andet trivselsmålinger og nationale tests vurderes at være i risiko for at droppe ud af deres uddannelse.

DataTech følger sagen.

Ingen kommentarer endnu.  Start debatten
Debatten
Log ind for at deltage i debatten.
settingsDebatindstillinger